KaydedilenlerDerginizi ekleyin

Dergiler / Glokom Katarakt / 2019 / Cilt: 14 - Sayı: 2

Glokom Tanı ve Takibinde Yapay Zekâ

Artifi cial Intelligence in the Diagnosis and Follow-up of Glaucoma

Kadriye Ufuk ELGİN
Sayfa
59–64
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu derlemenin amacı, yapay zekânın oftalmolojide, özellikle glokom alanında kullanımını, avantaj ve kısıtlılıklarını özetlemektir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yapay zekâ, bilgisayar biliminin son derece önemli bir alt dalı olup, pek çok alanda insan zekâsına yakın algoritmalarla işlev görmektedir.
📊
Temel Bulgular & Veri:Tıbbın çoğu alanında olduğu gibi oftalmolojide de son yıllarda sıkça gündeme gelmektedir.
💡
Sonuç & Katkı:Bu derlemenin amacı, yapay zekânın oftalmolojide, özellikle glokom alanında kullanımını, avantaj ve kısıtlılıklarını özetlemektir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Yapay zekâ, bilgisayar biliminin son derece önemli bir alt dalı olup, pek çok alanda insan zekâsına yakın algoritmalarla işlev görmektedir. Tıbbın çoğu alanında olduğu gibi oftalmolojide de son yıllarda sıkça gündeme gelmektedir. Özellikle glokom, yaşa bağlı maküler dejenerasyon, diyabetik retinopati ve korneal ektazilerin teşhis ve takiplerinde yapay zekânın önemi giderek artmaktadır. Derin öğrenme ve makine öğrenimi yapay zekânın önemli terimleridir. Bu derlemenin amacı, yapay zekânın oftalmolojide, özellikle glokom alanında kullanımını, avantaj ve kısıtlılıklarını özetlemektir.

Abstract

Artifi cial intelligence is a very important branch of computer science and functions in many fi elds by algorithms with intelligence near human. It becomes a current issue in ophthalmology like many fi elds in medicine in recent years. Its importance increases especially in the diagnosis and follow-up of glaucoma, senile macular degeneration, diabetic retinopathy and corneal ectasia. Deep learning and machine learning are important of terms of artifi cial intelligence. The purpose of this review is to summarize the use of artifi cial intelligence in ophthalmology, especially in glaucoma and its advantages and limitations.

🔖

Bu Makaleye Atıf Yap

ELGİN, K. U. (2019). Glokom Tanı ve Takibinde Yapay Zekâ. Glokom Katarakt, Cilt: 14 - Sayı: 2, 59–64. https://ajindex.com/articles/226414

Kaynakça (15)

  1. Hogarty DT, Mackey DA, Hewitt AW. Current state and future prospects of artifi cial intelligence in ophthalmology: a review. Clin Exp Ophthalmol. 2019;47(1):128-39
  2. Kapoor R, Walters SP, Al-Aswad LA. The current state of artifi cial intelligence in ophthalmology. Surv Ophthalmol. 2019;64(2):233- 40
  3. Du XL, Li WB, Hu BJ. Application of artifi cial intelligence in ophthalmology. Int J Ophthalmol. 2018;11(9):1555-61
  4. Lu W, Tong Y, Yu Y, et al. Applications of artifi cial intelligence in ophthalmology: General overview. J Ophthalmol. 2018 Nov 19;2018:5278196. doi: 10.1155/2018/5278196. eCollection 2018
  5. Schmidt-Erfurth U, Sadeghipour A, Gerendas BS, et al. Artifi cial intelligence in retina. Prog Retin Eye Res. 2018;67:1-29
  6. Quellec G, Kowal J, Hasler PW, et al. Feasibility of support vector machine learning in age-related macular degeneration using small sample yielding sparse optical coherence tomography data. Acta Ophthalmol 2019 Mar 6. doi: 10.1111/aos.14055. [Epub ahead of print] 7. Takahashi H, Tampo H, Arai Y, et al. Applying artifi cial intelligence to disease staging: Deep learning for improved staging of diabetic retinopathy. PLoS One. 2017;12(6):e0179790
  7. Klyce SD. The future of keratoconus screening with artifi cial intelligence. Ophthalmology. 2018;125(12):1872-3
  8. Lopes BT, Ramos IC, Salomão MQ, et al. Enhanced tomographic assessment to detect corneal ectasia based on artifi cial intelligence. Am J Ophthalmol. 2018;195:223-32
  9. Yang JJ, Li J, Shen R, et al. Exploiting ensemble learning for automatic cataract detection and grading. Comput Methods Programs Biomed. 2016;124:45-57
  10. Mohammadi SF, Sabbaghi M, Z-Mehrjardi H, et al. Using artifi cial intelligence to predict the risk for posterior capsule opacifi cation after phacoemulsifi cation. J Cataract Refract Surg. 2012;38(3):403- 8
  11. Consejo A, Melcer T, Rozema JJ. Introduction to machine learning for ophthalmologists. Semin Ophthalmol. 2018; 30:1-23
  12. Ting DSW, Pasquale LR, Peng L, et al. Artifi cial intelligence and deep learning in ophthalmology. Br J Ophthalmol. 2019;103(2):167-75
  13. Grewal PS, Oloumi F, Rubin U, et al. Deep learning in ophthalmology: a review. Can J Ophthalmol. 2018;53(4):309-13
  14. Zheng C, Johnson TV, Garg A, et al. Artifi cial intelligence in glaucoma. Curr Opin Ophthalmol. 2019;30(2):97-103
  15. Goldbaum MH, Sample PA, White H, et al. Interpretation of automated perimetry for glaucoma by neural network. Invest Ophthalmol Vis Sci 1994